Classificação em fluxo de dados com mudança de conceito e latência de verificação extrema

• Processo: 14/12333-7
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de setembro de 2014
• Data de Término da vigência: 31 de julho de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
• Pesquisador responsável: Gustavo Enrique de Almeida Prado Alves Batista
• Beneficiário: Denis Moreira dos Reis
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 15/01701-8 - Análise e avaliação de fluxos de dados na presença de latência de verificação, BE.EP.MS
• Assunto(s): Inteligência computacional Fluxo de dados Aprendizado computacional Inteligência artificial Mineração de dados
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Fluxo de Dados | Inteligência Artificial | Mineração de Dados | Mudança de conceito | Inteligência Computacional

Resumo

Apesar do grau relativamente alto de maturidade existente na área de pesquisa de aprendizado supervisionado em lote, na qual são utilizados dados originários de problemas estacionários, muitas aplicações reais lidam com fluxos de dados cujas propriedades se alteram com o tempo, ocasionando mudanças de conceito. Para tais aplicações, diversas pesquisas vêm sendo realizadas nos últimos anos com o objetivo de criar modelos precisos mesmo na presença de mudanças de conceito. A maioria delas, no entanto, assume que tão logo um evento seja classificado pelo algoritmo de aprendizado, seu rótulo verdadeiro se torna conhecido, mesmo com algum atraso. Este projeto pesquisa apresenta soluções em um novo paradigma, no qual os dados são adaptados aos conceitos originalmente aprendidos, sendo possível efetuar o aprendizado na presença de mudanças de conceito incrementais, mesmo na ausência de rótulos verdadeiros, mantendo alto desempenho tanto em acurácia quanto em custo computacional. Resultados parciais são promissores e demonstram que o paradigma descrito é viável. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DOS REIS, DENIS; FLACH, PETER; MATWIN, STAN; BATISTA, GUSTAVO; ASSOC COMP MACHINERY. Fast Unsupervised Online Drift Detection Using Incremental Kolmogorov-Smirnov Test. KDD'16: PROCEEDINGS OF THE 22ND ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING, v. N/A, p. 10-pg., 2016-01-01. (15/01701-8, 13/50379-6, 14/12333-7)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

REIS, Denis Moreira dos. Classificação de fluxos de dados com mudança de conceito e latência de verificação. 2016. Dissertação de Mestrado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.